Informatica

1. Introduzione all'Intelligenza Artificiale (IA), panoramica delle diverse sottodiscipline, aspetti storici 2. Agenti intelligenti, razionalità, tipologie di ambienti e di agenti 3. Strategie di ricerca non informata: in ampiezza, min-cost, in profondità, a profondità limitata, ad approfondimento iterativo 4. Strategie di ricerca informata: best-first greedy, A*; funzioni euristiche: ammissibilità e consistenza 5. Algoritmi di ricerca a miglioramento iterativo: hill-climbing, steepest-descent, simulated annealing, local beam, algoritmi genetici 6. Problemi di soddisfacimento di vincoli: definizione, varianti, propagazione di vincoli (nodo-, arco-, cammino-, K-consistenza), backtracking, backjumping, ricerca locale 7. Conoscenza e ragionamento, agenti basati sulla logica proposizionale, SAT 8. Conoscenza e ragionamento nella logica del primo ordine 9. Pianificazione classica 10. Conoscenza e ragionamento in presenza di incertezza: reti bayesiane, cenni di teoria delle decisioni 11. Apprendimento automatico: induzione di alberi di decisione; valutazione delle prestazioni di un algoritmo di apprendimento, metriche d'errore, model selection; apprendimento ensemble: bagging, random forests, boosting; explainability, adversarial examples; apprendimento di modelli parametrici vs. apprendimento di modelli non parametrici; k-nearest neighbours.

Si richiede buona conoscenza di: 1) Programmazione imperativa ed object-oriented in un qualunque linguaggio di programmazione di alto livello 2) Tecniche per il progetto di algoritmi e strutture dati 3) Matematica generale, algebra, teoria degli insiemi, calcolo delle probabilità 4) Logica proposizionale e del primo ordine 5) Progetto di basi di dati relazionali 6) Automi, calcolabilità e complessità.

Materiale didattico reso disponibile dal docente.

Il modulo consiste in lezioni ed esercitazioni in aula, nelle quali verranno affrontati tutti gli argomenti in programma.

La frequenza delle lezioni e delle esercitazioni, sebbene non obbligatoria, è fortemente consigliata.

L'esame del modulo consiste in un due prove scritte ed un progetto da svolgere e presentare mediante una relazione scritta ed un seminario. Le prove scritte (Prova A e Prova B) consistono in domande sulle diverse parti del programma d'esame e coprono, rispettivamente, le due metà del programma (Parte A e Parte B). Il progetto consiste nell'approfondimento di uno o più argomenti di IA non visti nel corso e/o nella progettazione e sviluppo di un sistema software basato su IA. Al punteggio finale, le prove scritte contribuiranno ognuna per il 30%, mentre il progetto e la prova orale per il restante 40%. Per superare con successo l'esame è comunque necessario che il punteggio di ogni singola prova sia almeno pari a 'sufficiente'.

Libri di testo consigliati: Stuart Russell, Peter Norvig Artificial Intelligence, a Modern Approach. 4th Edition Pearson. ISBN 978-1292401133.

Il modulo consiste in lezioni ed esercitazioni nelle quali verranno affrontati tutti gli argomenti in programma.

1. Introduzione all'Intelligenza Artificiale (IA), panoramica delle diverse sottodiscipline, aspetti storici 2. Agenti intelligenti, razionalità, tipologie di ambienti e di agenti 3. Strategie di ricerca non informata: in ampiezza, min-cost, in profondità, a profondità limitata, ad approfondimento iterativo 4. Strategie di ricerca informata: best-first greedy, A*; funzioni euristiche: ammissibilità e consistenza 5. Algoritmi di ricerca a miglioramento iterativo: hill-climbing, steepest-descent, simulated annealing, local beam, algoritmi genetici 6. Problemi di soddisfacimento di vincoli: definizione, varianti, propagazione di vincoli (nodo-, arco-, cammino-, K-consistenza), backtracking, backjumping, ricerca locale 7. Conoscenza e ragionamento, agenti basati sulla logica proposizionale, SAT 8. Conoscenza e ragionamento nella logica del primo ordine 9. Pianificazione classica 10. Conoscenza e ragionamento in presenza di incertezza: reti bayesiane, cenni di teoria delle decisioni 11. Apprendimento automatico: induzione di alberi di decisione; valutazione delle prestazioni di un algoritmo di apprendimento, metriche d'errore, model selection; apprendimento ensemble: bagging, random forests, boosting; explainability, adversarial examples; apprendimento di modelli parametrici vs. apprendimento di modelli non parametrici; k-nearest neighbours.

Si richiede buona conoscenza di: 1) Programmazione imperativa ed object-oriented in un qualunque linguaggio di programmazione di alto livello 2) Tecniche per il progetto di algoritmi e strutture dati 3) Matematica generale, algebra, teoria degli insiemi, calcolo delle probabilità 4) Logica proposizionale e del primo ordine 5) Progetto di basi di dati relazionali 6) Automi, calcolabilità e complessità.

Materiale didattico reso disponibile dal docente.

Il modulo consiste in lezioni ed esercitazioni in aula, nelle quali verranno affrontati tutti gli argomenti in programma.

La frequenza delle lezioni e delle esercitazioni, sebbene non obbligatoria, è fortemente consigliata.

L'esame del modulo consiste in un due prove scritte ed un progetto da svolgere e presentare mediante una relazione scritta ed un seminario. Le prove scritte (Prova A e Prova B) consistono in domande sulle diverse parti del programma d'esame e coprono, rispettivamente, le due metà del programma (Parte A e Parte B). Il progetto consiste nell'approfondimento di uno o più argomenti di IA non visti nel corso e/o nella progettazione e sviluppo di un sistema software basato su IA. Al punteggio finale, le prove scritte contribuiranno ognuna per il 30%, mentre il progetto e la prova orale per il restante 40%. Per superare con successo l'esame è comunque necessario che il punteggio di ogni singola prova sia almeno pari a 'sufficiente'.

Libri di testo consigliati: Stuart Russell, Peter Norvig Artificial Intelligence, a Modern Approach. 4th Edition Pearson. ISBN 978-1292401133.

Il modulo consiste in lezioni ed esercitazioni nelle quali verranno affrontati tutti gli argomenti in programma.